1　引　言

　　在自動化生產過程中，傳送帶和物流系統是生產線的重要組成部分。通常情況下為了實現物品的分類處理或完成產品的質量控制等，我們需要了解物品的某些細節情況如幾何參數，因此，基于圖像處理的測量方法得到越來越多的應用。測量方式主要有靜態和動態兩種，靜態是指目標對象相對攝像機靜止，用這種方式可以獲得清晰的圖像，而動態方式下則得不到清晰的圖像。

　　在某些場合下，無法獲得靜態圖像，而運動目標的成像又會造成圖像質量的下降, 為避免出現圖像的降質，或者考慮到其它因素如機械傳動系統、運動特性等，我們一般采用運動狀態下的圖像捕捉和處理的方法。雖然采用平穩運動系統可以減少傳動過程中的振動，提高系統的運轉效率，簡化系統的設計，但同時圖像處理的時間也會加長。

　　本文將動態的圖像測量方法應用于羽毛球生產過程中的毛片彎度等參數的測量，介紹了整個系統的組成和運行的情況，并提供了過程的主要結果。

　　2　運動圖像的恢復原理

　　了解運動圖像的恢復原理，首先應了解圖像的運動模型。

　　根據Gonzalez水平圖像運動模型〔1〕，設原圖像為f（x，y），在曝光時間T內原圖像沿水平方向移動距離為a，移動速度恒定且曝光線性，則

　　這是一個遞推關系式，說明當前位置的恢復圖像可以由離當前位置a處的恢復圖像推算得出，模糊圖像g（x）的導數總可以求得。只要求出長度為a的圖像，整個圖像都可以根據上述遞推關系獲得。

　　設m為x／a的整數部分，恢復圖像可以由下式近似得出〔2〕

　　圖像恢復的質量取決于恢復關系式中各參數的選取。A和γ對恢復圖像的背景和對比有影響，而a對恢復圖像的質量起決定作用。通常情況下采用搜索方法獲得合適的值。在參考文獻〔2〕中采用均方誤差準則下實現自動搜索的方法。本文的測量環境下，由于運動速度恒定，參數a一旦確定后當作一個參數來處理。

　　3　基于圖像處理的幾何參數計算

　　3．1　羽毛球毛片參數

　　羽毛球質量的重要指標是其飛行的穩定性，即在飛行中不出現搖擺或變線。羽毛球飛行的氣動機理十分復雜，這里不作研究。只要能保證形狀相同的毛片插在同一個球上，則在正常工序下生產出來的羽毛球就會具有良好的飛行穩定性。傳統的測量方法不僅速度慢而且夾具對軟性材料的測量結果產生影響。本文嘗試利用圖像捕捉設備對傳送帶上的毛片進行動態捕捉和處理，獲得毛片的形狀參數后按形狀參數分檔，保證具有相同形狀的16根毛片插在同一個羽毛球上。

　　毛片的主要幾何參數有毛桿的彎度、拱度和毛桿頂部的粗細等。這里的彎度指的是毛桿中心線與其切線在頂部位置處的水平距離，拱度為毛片在平放時的拱高。這里主要介紹彎度的測量方法，先提取毛桿的邊緣并計算中心位置，然后擬合毛桿中心線，最后計算彎度值。在此過程中粗細也同時得出。

　　3．2　圖像的邊緣提取和邊緣數據的采集

　　物體的邊緣在圖像上反映出局部特性的不連續性。理想的邊緣有階躍型、房頂型和凸緣型，由于圖像噪聲的存在，實際的邊緣變得十分復雜。

　　邊緣檢測通常采用微分類算子實現。這類算子有Sobel算子、Kirsh算子和Laplacian算子等，前兩個算子為梯度算子，后者為二階微分算子。Sobel梯度算子在兩個方向上選取微分大的值作為其梯度值，顯然當兩個方向上微分值大小相等時梯度的誤差最大；而Kirsh則在八個方向上計算微分并以最大制作為梯度值〔3〕，算子法的計算結果作為邊緣判別的依據；Laplacian算子則是不依賴邊緣方向的二階算子，具有旋轉不變性。

　　由于微分類算子的固有特性，邊緣檢測都會受到噪聲影響。采用濾波方法可以有效地抑制噪聲的干擾，但同時也給邊緣產生一定程度的鈍化，這種鈍化作用會影響邊緣的提取 ，因此關鍵在于濾波方案的選擇。上述微分類算子都采用了濾波方法 。Sobel算子采用了三點加權平均，當邊緣在水平或豎直方向時，實際的濾波沿著邊緣進行，因此濾波對邊緣的鈍化作用最小；而當邊緣在45°或135°方向時，濾波點與邊緣在方向上相差最大，此時濾波對邊緣的鈍化作用也最大。因此，選擇與邊緣較為一致的核（kernel）能在噪聲抑制和邊緣保持方面獲得滿意的結果。